Чему вы научитесь Понимать полный цикл создания лекарства и роль ИИ на этапах ранней разработки Работать с химическими данными в Python: анализ, визуализация и подготовка данных Использовать основные представления молекул (SMILES, фингерпринты, дескрипторы, графы) Применять методы машинного обучения и корректно оценивать качество моделей Работать с ключевыми базами данных молекул, белков, активностей и ADMET Строить воспроизводимые пайплайны для интеграции данных и обучения моделей Подготавливать данные для докинга, запускать докинг и виртуальный скрининг Оценивать свойства молекул: аффинность, физико-химические параметры и токсичность Понимать как работают нейронные сети и применять их для решения химических задач Генерировать новые молекулы с помощью современных генеративных моделей О курсе Этот курс знакомит вас с тем, как методы искусственного интеллекта применяются на разных этапах разработки лекарственных молекул: от подготовки и анализа химических данных до докинга, прогнозирования свойств и генерации новых структур. Это единственный на рынке русскоязычный курс, который системно соединяет химию, data science и современные AI-подходы в drug discovery — от основ до актуальных практик. Преподаватели курса — действующие специалисты на стыке химии и ИИ: учёные, разработчики и эксперты из ведущих фармацевтических компаний и исследовательских центров. Они не только обладают глубокой теоретической подготовкой, но и ежедневно применяют эти методы в реальных проектах по созданию лекарств. В процессе обучения вы освоите ключевые инструменты, научитесь работать с крупнейшими химическими базами данных, запускать модели, анализировать результаты и понимать, какие методы подходят для реальных задач разработки лекарств. Вы приобретёте практические навыки, которые востребованы в фарме, биотехе и научных центрах, а главное — сформируете целостное и современное представление о том, как AI помогает создавать новые лекарства быстрее, точнее и эффективнее. Для кого этот курс Этот курс создан для тех, кто хочет разобраться, как искусственный интеллект применяется в разработке лекарств: Студенты и аспиранты химических и биологических направлений Если вы выбираете карьеру на стыке наук и хотите войти в одну из самых быстрорастущих областей — AI-driven drug discovery, курс поможет выстроить целостную картину и получить навыки, которые ценятся в индустрии и академии. Data scientist’ы и ML-инженеры, интересующиеся фармой и биотехом Вы уже знаете машинное обучение, но хотите разобраться, какие задачи реально существуют в разработке лекарств, с какими данными приходится работать и почему “обычные” подходы не всегда работают в химии. Химики и биохимики Если вы работаете (или хотите работать) в drug discovery и чувствуете, что без применения передовых методов становится всё сложнее соответствовать текущему уровню индустрии, курс поможет вам понять, как именно машинное обучение и современные алгоритмы встраиваются в привычный химический workflow — от данных до молекул. Специалисты фармацевтических и биотехнологических компаний Для тех, кто хочет глубже понять современные AI-подходы, говорить с инженерными командами на одном языке и осознанно выбирать инструменты для реальных R&D-задач. Начальные требования Необходим базовый уровень химических знаний и интерес к работе с данными; опыт программирования желателен, но не обязателен — всё нужное мы разберём по ходу курса. Как проходит обучение На курсе вас ждут: Лекционные материалы от простого к сложному: начинаем с азов программирования на Python и машинного обучения, заканчиваем изучением генеративных моделей для дизайна лекарств; Тестовые задания для усвоения лекционных материалов; Практические задания в формате небольших задачек либо полноценных ноутбуков с кодом для того, чтобы сразу закрепить изученный материал на реальных кейсах. Программа курса Введение О курсе Эволюция открытия и разработки лекарственных молекул Стратегии рационального дизайна лекарств Искусственный интеллект в дизайне лекарственных молекул Основы Data Science Подготовка Основы Python Работа с файлами и данными Анализ данных с pandas и numpy Визуализация химических данных Введение в статистику Дополнительные темы и инструменты Представления молекул Линейные представления молекул Молекулярные фингерпринты Файловые форматы Графовые представления молекул Молекулярные дескрипторы Библиотеки для работы с молекулами Основы машинного обучения для химических задач Основные термины МО Основы машинного обучения Методы сжатия многомерных данных Модели машинного обучения Гиперпараметры Метрики Базы данных для дизайна лекарственных молекул Введение в базы данных Структурные базы данных белков и мишеней Базы данных лекарственных молекул и их активности Базы данных по ADMET-профилям и токсичности Интеграция данных и построение pipeline Молекулярный докинг Основы медицинской химии Как работает докинг? Теоретические основы Подготовка данных для докинга: структуры белков и лигандов Докинг в действии: пример с использованием AutoDock Vina Валидация и анализ результатов докинга От докинга к виртуальному скринингу Методы оценки молекул Основные физико-химические дескрипторы Композитные метрики Оценка токсичности Основы глубокого обучения для дизайна лекарственных молекул Что такое нейронная сеть? Задачи регрессии и классификации Распространение сигнала и функции ошибки Обучение нейросети Полносвязная нейросеть Рекуррентные нейросети Графовые нейросети Генеративные модели для дизайна лекарственных молекул Введение в генеративный дизайн Вариационные автоэнкодеры Генеративно-состязательные сети Нормализующие потоки Диффузионные модели Трансформеры Обучение с подкреплением Ключевые выводы о генеративном дизайне Генерация молекул с помощью вариационного автоэнкодера Заключение Заключительный раздел
